Aanbevelingssystemen: vinden wat je niet zocht, het voorbeeld van bX

Aanbevelingssystemen: vinden wat je niet zocht

Aanbevelingssystemen: vinden wat je niet zocht

11-09-2009

Het voorbeeld van bX

Veerle KerstensK.U.Leuven, LIBIS

Aanbevelingssystemen: vinden wat je niet zocht 2

Inhoud- Aanbevelingssystemen: wat - hoe – waarom ?- Voorbeelden uit informatie- en

bibliotheekwereld- Ervaringen en Issues- bX, aanbevelingssysteem voor

wetenschappelijke artikels

11-09-2009


Wat is een aanbevelingsysteem ?Softwaresysteem dat tracht te voorspellen welke items (boeken, muziek, video’s, nieuws, webpagina’s, objecten, artikels,..) de gebruiker zullen interesseren in een bepaalde informatieomgeving , op basis van - de inhoud van eerder gevonden items

(content-based filtering) en/of- de interesses van andere gebruikers

(collaborative filtering)

11-09-2009


“Content-based filtering”

11-09-2009

Aanbevelingen op basis van analyse van tekst/golfvorm/pixels


“Collaborative filtering”

11-09-2009

Impliciet: bv. ook gekocht door..

Expliciet: via quoteringen e.d.


Collaborative filtering: op basis van relaties tussengebruikers

11-09-2009

• items

Welke andere items worden frequent samen met dit item geraadpleegd/gekocht/.. ?

Welke gebruikers hebben gelijkaardige voorkeuren ? => aanbevelingen op basis van hun waarderingen

en/of


- Aanbevelingssystemen: Wat - Hoe -

Waarom ?- Voorbeelden in informatie- en bibliotheekwereld- Ervaringen en issues- bX, aanbevelingssysteem voor wetenschappelijke

artikels

11-09-2009


Aanbevelingen zijn big business !- 2/3 van films via aanbevelingen- Prijs van 1.000.000 $ voor wie aanbevelingen 10%

accurater maakt

- aanbevelingen genereren 38% meer “click-throughs”

- 35% vd verkoop via aanbevelingen

11-09-2009

Bron: Music Recommendation Tutorial (http://www.slideshare.net/ocelma/music-recommendation-tutorial)

http://www.slideshare.net/ocelma/music-recommendation-tutorial


Bijkomend instrument om relevante info te vinden in wereld van informatieoverload

11-09-2009


“While search engines help you find things you know you are looking for, discovery helps you find the rest”• Rick Hangartner

11-09-2009


Onderzoek bij gebruikers van Amazon:- Aanbevelingen zijn complementair met

zoektermen- Worden zowel “strategisch” als toevallig gebruikt- “strategisch”: als onderdeel van zoekstrategie, bv.

zoeken naar bekend item als bron voor aanbevelingen

11-09-2009

Leino, Juha and Raiha, Kari-Jouko, User Experiences and Impressions of Recommenders in Complex Information Environments. In: Bulletin of the IEEE Computer Society Technical Committee on Data Engineering, Juni 2008, vol 31, no 2 p 32-39


- Aanbevelingssystemen: wat - Hoe - Waarom ?- Voorbeelden in informatie- en

bibliotheekwereld- Ervaringen en issues- bX, aanbevelingssysteem voor


11-09-2009


• Bibliotheekcatalogi- Bibtip- Melvyl Project (experiment California Digital Library,

aanbevelingen o.b.v. circulatiegegevens)- WordCat

• Federated search• - PurpleSearch

11-09-2009

Bibliotheek 2.0…


• Bibliotheekcatalogi- Bibtip- Melvyl Project (experiment California Digital Library,

aanbevelingen o.b.v. circulatiegegevens)- WorldCat

• Federated search• - PurpleSearch

11-09-2009

Aanbevelingssystemen


BibTip (Universiteitsbibliotheek Karlsruhe)

11-09-2009

Aanbevelingen op basis van opvragingen van volledige titelbeschrijvingen.

Twee titels zijn gerelateerd als ze samen in één sessie worden opgevraagd.


Gebruikersonderzoek Melvyl Project- Gebruikers appreciëren aanbevelingen in OPAC- Aanbevelingen worden gebruikt om zoekvraag uit te breiden- Presentatie is belangrijk: gebruikers willen weten waarom item

aanbevolen wordt- In een als nuttig beoordeelde set waren niet noodzakelijk alle

items nuttig- Domeinexpertise speelt rol in beoordeling relevantie

11-09-2009

Whitney, C. and Schiff, L. (2006), The Melvyl Recommender Project. In: D-Lib Magazine, 12(12), doi:10.1045/december2006-whitney


WorldCat

11-09-2009

2009-03-25

Aanbevelingssystemen: vinden wat je niet zocht 1811-09-2009


PurpleSearch (Universiteitsbibliotheek Groningen)

11-09-2009

Federated search systeem dat databanken selecteert o.b.v. zoekterm(en) vd gebruiker, automatisch, achter de schermen +Suggesties gerelateerde zoektermen


Wetenschappelijke artikels• - Web of Science• - Ingentaconnect– - Dspace: content based o.b.v. bookmarks van gebruikers• - bX

11-09-2009


Web of Science

11-09-2009

Aanbevelingen van artikels op basis van aantal gemeenschappelijke referenties


Ingentaconnect

11-09-2009

Met technologie van Baynote


- Aanbevelingssystemen: wat ? Hoe ? Waarom ?- Voorbeelden in informatie- en



11-09-2009


Kritische massa gebruiksgegevens nodig• Items die weinig of niet geraadpleegd worden genereren geen

aanbevelingen

BibTip: • Observatieperiode nodig, lengte in functie van

– Intensiteit gebruik van OPAC– Diversiteit vd items– Grootte vd databank

Maar niet voor alle items aanbevelingen nodig: 80% zoekacties naar 20% vd items

11-09-2009


Feedback-lus

11-09-2009

Keuze voor aanbevolen item versterkt bestaande relatie

Aanbevolen:


Probleem populaire items

11-09-2009

!?


Transparantie -> vertrouwen

11-09-2009

Rashmi R. Sinha, Kirsten Swearingen: The role of transparency in recommender systems. CHI Extended Abstracts 2002: 830-831


Transparantie -> vertrouwen (2)Aim of explanations in recommender systems

Transparency Explain how the system works

Scrutability Allow users to tell the system itis wrong

Trust Increase users’ confidence inthe system

Effectiveness Help users make good decisions

Persuasiveness Convince users to try or buy

Efficiency Help users make decisions

Satisfaction Increase the ease of usability orenjoyment

11-09-2009

Tintarev, N. and Masthoff, J. (2007). A survey of explanations in recommender systems. In Data Engineering Workshop, 2007 IEEE 23rd International Conference, pages 801–810.


Verhouding gelijkaardige/nieuwe items

Slechte aanbeveling, niet accuraatRelevante aanbeveling, maar al gekendNieuw relevant item, maar voor de hand liggend (bv van zelfde auteur)

Nieuw relevant item, niet voor de hand liggend: “serendipitous”

11-09-2009

Bruikbaarheid aanbeveling

Serendipitous volgens Van Dale: “begiftigd met de gave om waardevolle ontdekkingen te doen”.

Meer kans bij “content-based” filtering


- Aanbevelingssystemen: wat ? Hoe ? Waarom ?- Voorbeelden in informatie- en



11-09-2009


bX (ExLibris)- Gebaseerd op onderzoek van Herbert Van de

Sompel en Johan Bollen in Los Alamos National Laboratory

- K.U.Leuven nam deel aan testen voor release.

11-09-2009

11-09-2009

11-09-2009

Exporteren naar bibliografische software

11-09-2009


Hoe het werkt

11-09-2009

Link resolver

Full text bij uitgever

Print holdings

……..

Source

OpenURL met - Adres van linkresolver- ContextObject (metadata)

CO’s

Logs met ContextObjects

Aanbevelingssystemen: vinden wat je niet zocht 3611-09-2009

Voorbeeld van een zoeksessieAA

CC

BB

Relaties tussen artikels

[start session 1]<Clickthrough 1><Clickthrough 2><Clickthrough 3><Clickthrough 4>

[End session 1]……..[start session n]

<Clickthrough 1>…[End session n]

SFX logbestand


Issues- In aantal disciplines moet massa gebruiksgegevens

verder groeien. In die domeinen:-> Aantal aanbevelingen beperkt-> minder relevante aanbevelingen, “ruis”-> weinig aanbevelingen voor recente items

- Wat zijn goede aanbevelingen ? Verschillende types gebruikers (studenten – onderzoekers) hebben mogelijk verschillende verwachtingen

11-09-2009


Voordelen- Niet beperkt tot één databank, platform- Interessant in context van

- Onderwijs- Verkennen van aangrenzende/nieuwe interessedomeinen- Info zoeken buiten eigen expertisedomein

- Meer kans op het vinden van nieuwe (“serendipitous”) items

11-09-2009


Voordelen (2)- Configuratiemogelijkheden voor de bibliotheek

- Aantal aanbevelingen, layout, navigatie, relevantie- Integratie in portal-omgeving (Primo, extern systeem)

mogelijk

11-09-2009


Vragen ?

11-09-2009

Aanbevelingssystemen: vinden wat je niet zocht, het voorbeeld van bX

Technology

Transcript of Aanbevelingssystemen: vinden wat je niet zocht, het voorbeeld van bX